論文の概要: An Extensible Benchmark Suite for Learning to Simulate Physical Systems

• arxiv url: http://arxiv.org/abs/2108.07799v1
• Date: Mon, 9 Aug 2021 17:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-22 14:41:03.139018
• Title: An Extensible Benchmark Suite for Learning to Simulate Physical Systems
• Title（参考訳）: 物理システムのシミュレーション学習のための拡張性ベンチマークスイート
• Authors: Karl Otness, Arvi Gjoka, Joan Bruna, Daniele Panozzo, Benjamin Peherstorfer, Teseo Schneider, Denis Zorin
• Abstract要約: 我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
• 参考スコア（独自算出の注目度）: 60.249111272844374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating physical systems is a core component of scientific computing, encompassing a wide range of physical domains and applications. Recently, there has been a surge in data-driven methods to complement traditional numerical simulations methods, motivated by the opportunity to reduce computational costs and/or learn new physical models leveraging access to large collections of data. However, the diversity of problem settings and applications has led to a plethora of approaches, each one evaluated on a different setup and with different evaluation metrics. We introduce a set of benchmark problems to take a step towards unified benchmarks and evaluation protocols. We propose four representative physical systems, as well as a collection of both widely used classical time integrators and representative data-driven methods (kernel-based, MLP, CNN, nearest neighbors). Our framework allows evaluating objectively and systematically the stability, accuracy, and computational efficiency of data-driven methods. Additionally, it is configurable to permit adjustments for accommodating other learning tasks and for establishing a foundation for future developments in machine learning for scientific computing.
• Abstract（参考訳）: 物理システムをシミュレートすることは科学計算のコアコンポーネントであり、幅広い物理領域と応用を包含している。 近年,従来の数値シミュレーション手法を補完するデータ駆動手法が急増しており,計算コストを削減したり,大量のデータにアクセス可能な新しい物理モデルを学ぶ機会に動機付けられている。 しかし、問題設定と応用の多様性は、それぞれ異なる設定で評価され、異なる評価基準で評価される多くのアプローチにつながっている。 我々は,統合ベンチマークと評価プロトコルへの一歩を踏み出すために,一連のベンチマーク問題を紹介する。 本稿では,4つの物理系と,広く使用されている古典的時間積分器と代表的なデータ駆動手法(カーネルベース,MLP,CNN,近隣の周辺機器)のコレクションを提案する。 本フレームワークは,データ駆動方式の安定性,精度,計算効率を客観的に体系的に評価する。 さらに、他の学習タスクの調整を許可し、科学計算のための機械学習の将来の発展のための基盤を確立するための設定も可能である。

関連論文リスト

• Machine Learning for predicting chaotic systems [0.0]
  我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。 これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-29T16:34:47Z)
• Interpretable Meta-Learning of Physical Systems [4.343110120255532]
  最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。 我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。 本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
  論文  参考訳（メタデータ） (2023-12-01T10:18:50Z)
• DynaBench: A benchmark dataset for learning dynamical systems from low-resolution data [3.8695554579762814]
  スパースデータから動的システムを直接学習するための新しいシミュレーションベンチマークデータセットDynaBenchを導入する。 このデータセットは、低解像度で非構造的な測定から力学系の進化を予測することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-06-09T10:42:32Z)
• PDEBENCH: An Extensive Benchmark for Scientific Machine Learning [20.036987098901644]
  部分微分方程式(PDE)に基づく時間依存シミュレーションタスクのベンチマークスイートであるPDEBenchを紹介する。 PDEBenchは、コードとデータの両方で構成され、古典的な数値シミュレーションと機械学習ベースラインの両方に対して、新しい機械学習モデルのパフォーマンスをベンチマークする。
  論文  参考訳（メタデータ） (2022-10-13T17:03:36Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Learning Similarity Metrics for Numerical Simulations [29.39625644221578]
  本稿では,様々な数値シミュレーションソースから得られるデータを比較するため,安定かつ一般化された指標(LSiM)をニューラルネットワークで計算する手法を提案する。 提案手法は,計量の数学的性質を動機としたシームズネットワークアーキテクチャを用いている。
  論文  参考訳（メタデータ） (2020-02-18T20:11:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。